站里这十家我单独写过一遍（横向那张表在这）。评论区问得最多的不是”哪个最强”，而是”这套能不能接 DeepSeek”。这篇不聊功能，只回答一个问题：请求最后打到哪个 base_url，谁能改，改在哪一层。
星数和提交时间截至 2026 年 10 月 23 日，取自 GitHub API 和各家文档。
三层的区别：设置页、配置文件、名单
把这十家按”改模型地址”的位置分三层，一眼就能看出谁能省钱。
第一层，设置页里有个框：Dify / Langflow / Flowise
Dify 15.9 万星，单篇在这。它的 DeepSeek 插件在 provider 配置里直接带一个 API Base URL 字段，留空走官方，填了就指向别处；通用一点的走 OpenAI-API-compatible 插件，模型名自己填。三家里这条最省事。
Langflow 15.6 万星，Model Providers 里选 OpenAI Compatible，填 Base URL（必填）和 Key（本地服务可以留空），保存时它会去打 {base}/models 把模型列表拉回来。坑在这：SSRF 防护默认拦 localhost、127.0.0.1 和内网段，你在同一台机器上跑 vLLM，得先设 LANGFLOW_SSRF_ALLOWED_HOSTS 才存得进去。
Flowise 5.5 万星，ChatOpenAI 节点展开 Additional Parameters 有 Base Path，原理一样。但仓库 8 月 13 日已经归档，只建议维护既有部署，别再开新坑。
第二层，代码里改一个参数：CrewAI / AutoGen / MetaGPT / SuperAGI / AutoGPT
CrewAI 6.0 万星，一行够用：LLM(model="deepseek/deepseek-chat")。源码里有一张 provider 表，deepseek 的默认地址、Key 环境变量、覆盖变量都写死了，通义走 dashscope 那条。
AutoGen 6.15 万星，OpenAIChatCompletionClient(base_url=..., model_info={...})。model_info 不是可选项——模型名不在 OpenAI 名单里就必须手填能力位（vision、function_calling、json_output），官方文档也写明”非 OpenAI 模型未测试、不保证”。
MetaGPT 7.1 万星，改 ~/.metagpt/config2.yaml 的 api_type: openai 加 base_url。但它最后一次提交停在 2026 年 1 月 21 日，九个月没动。
SuperAGI 1.7 万星，要么环境变量 OPENAI_API_BASE / OPENAI_MODEL，要么后台 Models 里加 Custom Model。最后一次提交 2025 年 1 月 22 日。
AutoGPT 18.8 万星最别扭：模型走内置枚举（openai、anthropic、groq、ollama、open_router、aiml_api、llama_api、v0），界面上没有自定义 base_url 的口子。想用国产模型，省事的是走 OpenRouter；真要直连，得去 catalog.py 加条目再重建后端。
第三层，只能在名单里挑：Zapier / Make
Zapier 的 AI by Zapier 有 BYOK，但供应商只有 OpenAI、Anthropic、Google Gemini、Azure OpenAI、Amazon Bedrock 五家，没有一家中国厂商。它按档计费：Premium 一步算 5 个 task，工具每调一次再乘 5——官方例子是 Premium 加 2 次工具调用等于 15 个 task。
Make 的 Agent 模块里有 “Other Providers (compatible with OpenAI)”，理论上能填 Base URL；但社区论坛有人报，新建 Agent 或改模型时会弹 Value not found in options in parameter 'Model'，老 Agent 照跑，新配置卡住。能用，别把生产压在这上面。
国产模型这边，三个地址
DeepSeek 是 https://api.deepseek.com。官方文档现在只列 deepseek-flash（背后是 V4.1-Flash-1017）和 deepseek-v4-pro 两个名字，CrewAI 文档里那句 deepseek/deepseek-chat 已经对不上号，照抄之前先核模型名。
通义走 DashScope 的 compatible-mode/v1，CrewAI 源码里内置的是国际站 dashscope-intl.aliyuncs.com，国内站换成 dashscope.aliyuncs.com。
本地推理反而最标准：vLLM 和 Ollama 都暴露 /v1，上面大多数平台配一次路径就认。
平台一多，更省事的做法是中间加一层网关，把国产模型统一暴露成一个 /v1 地址（LiteLLM 那篇写过），十家只配一次。
几句实话
能填 base_url 不等于能跑。翻车点基本都在 tool calling：不少画布的分支节点依赖 OpenAI 那几个固定字段，换个模型，函数调用的参数格式、流式里的 tool_calls、JSON 输出模式，三样里总有一两样对不上。AutoGen 强制你手填 model_info，就是因为它自己也不信兼容层的元数据。
顺序别搞反。先用官方模型把流程跑通，再换模型，一次只动一个变量；同时改平台又改模型，出问题分不清是谁的锅。
也别为省 token 换平台。省下来的模型差价，通常小于你重搭流程的时间，迁移成本永远比单价贵。
一句话：画布派改设置，代码派改参数，SaaS 派只能在名单里挑。想用国产模型，先看你手里这套站在哪一层。
